In [2]:
df = pd.read_csv("../2-Data Understanding/data.csv", index_col=0, parse_dates=True, usecols=[0, 1, 3])
df.index.freq = "D"
print(df)
print()
print(df.describe().transpose())
print()
print("Verbrauch an Montagen:\t\t", df[df["wochentag"] == "Montag"]["verbrauch"].mean())
print("Verbrauch an Dienstagen:\t", df[df["wochentag"] == "Dienstag"]["verbrauch"].mean())
print("Verbrauch an Mittwochen:\t", df[df["wochentag"] == "Mittwoch"]["verbrauch"].mean())
print("Verbrauch an Donnerstagen:\t", df[df["wochentag"] == "Donnerstag"]["verbrauch"].mean())
print("Verbrauch an Freitagen:\t\t", df[df["wochentag"] == "Freitag"]["verbrauch"].mean())
print("Verbrauch an Samstagen:\t\t", df[df["wochentag"] == "Samstag"]["verbrauch"].mean())
print("Verbrauch an Sonntagen:\t\t", df[df["wochentag"] == "Sonntag"]["verbrauch"].mean())
print()
weekly_means = [
df[df["wochentag"] == "Montag"]["verbrauch"].mean(),
df[df["wochentag"] == "Dienstag"]["verbrauch"].mean(),
df[df["wochentag"] == "Mittwoch"]["verbrauch"].mean(),
df[df["wochentag"] == "Donnerstag"]["verbrauch"].mean(),
df[df["wochentag"] == "Freitag"]["verbrauch"].mean(),
df[df["wochentag"] == "Samstag"]["verbrauch"].mean(),
df[df["wochentag"] == "Sonntag"]["verbrauch"].mean()
]
weekdays = ["Montag", "Dienstag", "Mittwoch", "Donnerstag", "Freitag", "Samstag", "Sonntag"]
weekly_predictions = pd.DataFrame(data=[weekly_means, weekdays])
weekly_predictions = weekly_predictions.transpose()
weekly_predictions.columns = ["vorhergesagter verbrauch", "wochentag"]
weekly_predictions.set_index("wochentag", inplace=True)
df = df.join(other=weekly_predictions, on="wochentag", how="left")
print(df)
print()
print(df.describe().transpose())
print()
print("Gesamte Daten (mit Trainingsdaten)\n")
functions.custom_metrics(df["verbrauch"], df["vorhergesagter verbrauch"])
print("Nur Testdaten\n")
functions.custom_metrics(df["verbrauch"].iloc[-365:], df["vorhergesagter verbrauch"].iloc[-365:])
verbrauch wochentag
datum
2015-01-01 126197 Donnerstag
2015-01-02 147085 Freitag
2015-01-03 141426 Samstag
2015-01-04 132446 Sonntag
2015-01-05 152611 Montag
... ... ...
2021-12-27 153489 Montag
2021-12-28 155182 Dienstag
2021-12-29 153611 Mittwoch
2021-12-30 148126 Donnerstag
2021-12-31 137327 Freitag
[2557 rows x 2 columns]
count mean std min 25% 50% 75% max
verbrauch 2557.0 169329.063355 27116.871253 102469.0 147992.0 175584.0 190001.0 231190.0
Verbrauch an Montagen: 177812.44109589042
Verbrauch an Dienstagen: 185373.47397260275
Verbrauch an Mittwochen: 185769.44109589042
Verbrauch an Donnerstagen: 182519.87978142078
Verbrauch an Freitagen: 178270.85792349727
Verbrauch an Samstagen: 145220.4301369863
Verbrauch an Sonntagen: 130276.28219178082
verbrauch wochentag vorhergesagter verbrauch
datum
2015-01-01 126197 Donnerstag 182519.879781
2015-01-02 147085 Freitag 178270.857923
2015-01-03 141426 Samstag 145220.430137
2015-01-04 132446 Sonntag 130276.282192
2015-01-05 152611 Montag 177812.441096
... ... ... ...
2021-12-27 153489 Montag 177812.441096
2021-12-28 155182 Dienstag 185373.473973
2021-12-29 153611 Mittwoch 185769.441096
2021-12-30 148126 Donnerstag 182519.879781
2021-12-31 137327 Freitag 178270.857923
[2557 rows x 3 columns]
count mean std min 25% 50% 75% max
verbrauch 2557.0 169329.063355 27116.871253 102469.0 147992.0 175584.0 190001.0 231190.0
Gesamte Daten (mit Trainingsdaten)
Vorhersage
R2 0.57
MAE 13324.65
MSE 312414834.12
RMSE 17675.26
MAPE 8.27 %
Nur Testdaten
Vorhersage
R2 0.45
MAE 15598.4
MSE 382259970.22
RMSE 19551.47
MAPE 8.6 %
